提升 YOLO26 训练体验:借助 Comet 简化日志记录流程
记录参数、指标、图像预测和模型检查点等关键训练详情对机器学习至关重要——这能让项目保持透明、进度可衡量、结果可复现。
观看: 如何使用 Comet 记录 Ultralytics YOLO 模型训练日志和指标 🚀
Ultralytics YOLO26 与 Comet(前身为 Comet ML)集成,可记录 YOLO26目标检测模型的训练过程。本指南介绍安装、Comet 设置、实时洞察、自定义日志记录和离线使用,帮助你记录 YOLO26 训练运行并确保其可复现。
Comet#
Comet 是一个用于跟踪、比较、解释和优化机器学习模型及实验的平台。你可以在模型训练期间记录指标、参数、媒体等内容,并通过 Web 界面监控实验。Comet 帮助数据科学家更快地迭代,提升透明度和可复现性,并协助开发可用于生产环境的模型。
充分发挥 YOLO26 和 Comet 的强大功能#
将 Ultralytics YOLO26 与 Comet 结合使用有多项优势,包括简化实验跟踪、提供实时洞察以便快速调整、支持灵活且量身定制的日志记录选项,以及在网络访问受限时离线记录实验。此集成可帮助你基于数据做出决策并分析性能指标。
安装#
运行以下命令安装所需的软件包:
# Install YOLO26 and Comet
pip install ultralytics comet_ml配置 Comet#
安装所需软件包后,你需要注册、获取 Comet API 密钥并进行配置。
# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY然后,通过 Comet 进行身份验证。Ultralytics 回调会创建实验,并将 YOLO 的 project 训练参数用作 Comet 项目名称。
import comet_ml
comet_ml.login()如果你使用的是 Google Colab 笔记本,上述代码会提示你输入 API 密钥以完成初始化。
用法#
from ultralytics import YOLO
# 加载模型
model = YOLO("yolo26n.pt")
# 训练模型
results = model.train(
data="coco8.yaml",
project="comet-example-yolo26-coco128",
batch=32,
save_period=1,
save_json=True,
epochs=3,
)运行训练代码后,Comet 会在你的 Comet 工作区中创建一个实验,自动跟踪此次运行。随后,你会获得一个链接,用于查看 YOLO26 模型训练过程的详细日志。
安装并配置 Comet 后,其回调默认启用,会记录 mAP 和损失等指标、超参数、模型检查点以及交互式混淆矩阵。对于 detect 和分割训练,验证集中的图像边界框预测会与 save_json=True 一起记录。运行 yolo settings comet=False 可禁用集成。
通过 Comet 可视化了解模型性能#
YOLO26 模型开始训练后,Comet 仪表板会通过可视化内容和统计数据展示自动记录的信息:
实验面板
Comet 信息中心的实验面板部分会整理并展示不同的运行记录及其指标,例如分割掩码损失、类别损失、精确率和平均精度均值。
指标
在指标部分,你也可以选择以表格形式查看指标,这些指标会像此处所示那样显示在专用窗格中。
交互式混淆矩阵
混淆矩阵位于 Confusion Matrix 标签页,可通过交互方式评估模型的分类准确率。它会详细列出正确和错误的预测,帮助你了解模型的优势和不足。
系统指标
Comet 会记录系统指标,帮助你发现训练过程中的瓶颈。这些指标包括 GPU 利用率、GPU 内存使用量、CPU 利用率和 RAM 使用量。监控模型训练期间的资源使用效率时,这些指标至关重要。
自定义 Comet 日志记录#
Comet 支持通过设置环境变量来自定义日志记录行为。你可以通过这些配置,根据自己的具体需求和偏好调整 Comet。Ultralytics 回调会读取以下环境变量(请在训练开始前设置):
| 环境变量 | 默认值 | 说明 |
|---|---|---|
COMET_START_ONLINE | 1 | 以在线模式(1)或离线模式(0)运行实验。 |
COMET_PROJECT_NAME | args.project | Comet 工作区项目。若未设置,则回退到 YOLO 的 project 训练参数。 |
COMET_MODEL_NAME | Ultralytics | 为记录的模型制品注册的名称。 |
COMET_MAX_IMAGE_PREDICTIONS | 100 | 每次运行要记录的验证图像预测总数。 |
COMET_EVAL_BATCH_LOGGING_INTERVAL | 1 | 每隔 N 个验证批次记录一次图像预测。 |
COMET_EVAL_LOG_IMAGE_PREDICTIONS | true | 开启(true)或关闭(false)图像预测记录。 |
COMET_EVAL_LOG_CONFUSION_MATRIX | false | 在每个 save_period 检查点记录混淆矩阵。训练结束后始终会记录最终矩阵。 |
COMET_MAX_CONFIDENCE_SCORE | 100.0 | 记录前应用于检测置信度分数的乘数(Comet UI 使用百分比刻度)。 |
COMET_MODE (已弃用) | online | COMET_START_ONLINE 的旧版别名("online" ↔ 1,"offline" ↔ 0)。使用时会发出弃用警告。 |
对于布尔开关(COMET_EVAL_LOG_IMAGE_PREDICTIONS 和 COMET_EVAL_LOG_CONFUSION_MATRIX),值 1、true、yes、on、y 和 t 会被解析为 True(不区分大小写)。任何其他值都会被解析为 False。
记录图像预测#
你可以控制 Comet 在实验期间记录的图像预测数量。使用 save_json=True 时,Comet 最多会记录 100 个来自验证集的图像预测结果。不过,你可以根据需求调整此数量。例如,要记录 200 个图像预测结果,请使用以下代码:
import os
os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"要禁用带标注的图像预测记录(例如,减少慢速连接下的上传量),请将 COMET_EVAL_LOG_IMAGE_PREDICTIONS 设为 "false":
import os
os.environ["COMET_EVAL_LOG_IMAGE_PREDICTIONS"] = "false"训练结束时,仍会记录 train_batch*.jpg 和 val_batch*.jpg 绘图图像。
批次记录间隔#
Comet 允许你指定记录图像预测批次的频率。COMET_EVAL_BATCH_LOGGING_INTERVAL 环境变量用于控制此频率。默认值为 1,即记录每个验证批次的预测。你可以调整此值,以不同的间隔记录预测。例如,将其设为 4 会每隔四个批次记录一次预测。
import os
os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"按 Epoch 记录混淆矩阵#
默认情况下,训练完成后只会记录一次验证集的混淆矩阵。若要在 save_period 保存的每个检查点也记录混淆矩阵(save_period=1 每个 epoch 保存一次),请将 COMET_EVAL_LOG_CONFUSION_MATRIX 环境变量设为 "true"。
import os
os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "true"在线和离线模式#
默认情况下,Comet 以在线模式运行,并将实验数据流式传输到 Comet 服务器。如果你需要在没有互联网访问的情况下训练,请在训练开始前设置 COMET_START_ONLINE=0。实验数据会保存在本地,之后可通过 comet upload CLI 上传。
import os
os.environ["COMET_START_ONLINE"] = "0" # 1(默认)= 在线,0 = 离线早期版本使用 COMET_MODE="offline" 来实现此功能。为保持向后兼容,系统仍会接受此变量,但会发出弃用警告。之后请使用 COMET_START_ONLINE。
项目名称#
默认情况下,Comet 回调会将 YOLO 的 project 训练参数传递给 Comet(如果未设置该参数,则使用 None,此时 Comet 会采用你的工作区默认项目)。你可以通过 COMET_PROJECT_NAME 覆盖此设置,无论 YOLO 训练参数为何,都将所有实验发送到指定的 Comet 工作区项目:
import os
os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"模型制品名称#
COMET_MODEL_NAME 用于设置 Comet 注册记录的模型制品时使用的名称(默认为 Ultralytics)。你可以用它在共享工作区中区分不同的模型变体:
import os
os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"置信度分数缩放#
检测置信度分数以 [0, 1] 范围输出,但 Comet UI 默认以百分比刻度显示这些分数。回调会在记录前将每个分数乘以 COMET_MAX_CONFIDENCE_SCORE(默认值为 100.0)。如果你更喜欢原始概率或其他刻度,可以调整此值:
import os
os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0" # 记录原始 [0, 1] 分数总结#
本指南带你完成了将 Comet 与 Ultralytics YOLO26 集成的流程。从安装到自定义,你已经了解了如何简化实验管理、获取实时洞察,并根据项目需求调整日志记录方式。
请参阅 Comet 官方 YOLOv8 集成文档,该文档同样适用于 YOLO26 项目。
常见问题#
要将 Comet 与 Ultralytics YOLO26 集成,请按以下步骤操作:
-
安装所需的软件包:
pip install ultralytics comet_ml -
设置 Comet API 密钥:
export COMET_API_KEY=YOUR_API_KEY -
在 Python 代码中通过 Comet 进行身份验证:
import comet_ml comet_ml.login() -
训练 YOLO26 模型并记录指标:
from ultralytics import YOLO model = YOLO("yolo26n.pt") results = model.train( data="coco8.yaml", project="comet-example-yolo26-coco128", batch=32, save_period=1, save_json=True, epochs=3, )
如需更详细的说明,请参阅 Comet 配置部分。
-
将 Ultralytics YOLO26 与 Comet 集成后,你可以:
- 监控实时洞察:即时获取训练结果反馈,从而快速调整。
- 记录丰富的指标:自动捕获 mAP、损失、超参数和模型检查点等重要指标。
- 离线跟踪实验:无法访问互联网时,在本地记录训练运行情况。
- 比较不同的训练运行:使用 Comet 交互式仪表盘分析和比较多个实验。
借助这些功能,你可以优化机器学习工作流,从而提升性能和可复现性。
Comet 支持通过环境变量广泛自定义日志记录行为:
-
更改记录的图像预测数量:
import os os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200" -
调整批次日志记录间隔:
import os os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4" -
在每个
save_period检查点记录混淆矩阵:import os os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "true" -
设置 Comet 项目名称:
import os os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments" -
设置记录的模型制品名称:
import os os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"
查看自定义 Comet 日志记录部分,了解完整列表,包括图像预测开关、置信度分数缩放以及在线/离线模式。
-
YOLO26 模型开始训练后,你可以在 Comet 仪表盘上查看丰富的指标和可视化结果。主要功能包括:
- 实验面板:查看不同的运行及其指标,包括分割掩码损失、类别损失和平均精度均值。
- 指标:以表格形式查看指标,进行详细分析。
- 交互式混淆矩阵:通过交互式混淆矩阵评估分类准确率。
- 系统指标:监控 GPU 和 CPU 利用率、内存用量及其他系统指标。
如需详细了解这些功能,请参阅通过 Comet 可视化了解模型性能部分。
可以。在训练开始前设置
COMET_START_ONLINE=0,即可在本地记录日志:import os os.environ["COMET_START_ONLINE"] = "0"实验数据会保存到磁盘,之后可以在网络连接可用时,使用
comet uploadCLI 上传到 Comet。之前的COMET_MODE="offline"变量仍然有效,但会发出弃用警告。详情请参阅在线和离线模式部分。
评论5
提出问题、分享结果,或帮助其他人。
lauravchrobak
I am getting this warning when using the above workflow, 'comet_ml.init() is deprecated and will be removed soon. Please use comet_ml.login()' perhaps the above should be updated to use comet_ml.login() instead?
Paula DerrengerUltralytics@lauravchrobak thank you for pointing that out. The warning indicates that
comet_ml.init()is deprecated and should be replaced withcomet_ml.login(). We will update the documentation accordingly. For now, please usecomet_ml.login()to avoid the deprecation warning. If you encounter any further issues, ensure you are using the latest versions of the packages. For more details, you can visit the Comet ML integration guide.1
Glenn JocherUltralytics@lauravchrobak I've created a PR for this in https://github.com/orgs/ultralytics/discussions/14783
lauravchrobak
Wonderful, thanks for being so responsive!
Glenn JocherUltralyticsThank you for your feedback! We've updated our documentation to use
comet_ml.login()instead of the deprecatedcomet_ml.init(). This should resolve the warning you're encountering. If you have any other questions or need further assistance, feel free to ask. For more details, you can visit the Comet ML integration guide.